娶了UI設計師的Python工程師-北歐生活

人工智慧要將"駕駛盲區"打入冷宮了嗎?一起來見識看看這新結合! 普林斯敦大學的研究團隊將 人工智慧 與用於追踪超速駕駛的雷達結合，開發出一種系統，該系統可使車輛發現街角轉彎處隱藏的危險，如下圖所示： ▲ 普林斯敦大學的研究團隊結合 人工智慧 雷達，開發出可使車輛發現轉角隱藏危機的系統 研究人員利用常用來追蹤超速駕駛和快速直球的測速雷達，結合 人工智慧 技術，開發了一種自動化系統：可讓汽車在街角轉彎處監視四周環境、發現迎面而來的車輛、行人。 這個系統易於整合到汽車上，使用都卜勒雷達（註：Doppler radar，一種雷達，可利用都卜勒效應，測量物體在雷達波方向上的徑向運動速度，常用於氣象觀測與測速。）將無線電波從建築物、車體的表面反射回去。 雷達訊號會以特定的角度，照射到物體表面後反射回去，就像是撞球的白色母球撞擊到球台壁後反彈回去一樣。雷達訊號會持續照射藏在街角轉彎處的物體，然後反射回來的訊號會被車上安裝的探測器偵測到，使系統能看到轉角的物體，並且判斷它是在移動還是靜止。 「這將使汽車偵測到今日許多光學雷達 (lidar) 與相機的感光元件無法記錄到的被遮蔽物，例如，讓一台自駕車在十字路口上環顧四周的危險物體，」普林斯頓大學的電腦科學助理教授、也是此次研究人員之一的 Felix Heide 說：「雷達感應器的成本也相對較低，尤其是與光學感應器相比，而且也可以量產。」 研究人員在 6 月 16 日的電腦視覺與模式識別（CVPR）會議上發表了一篇論文，提到這個系統如何分辨汽車、自行車以及行人，並判斷他們的方向以及迎面而來的速度：「我們提出的方法能在現實世界的自駕情境中，在視線感應器偵測到他們以先，就為行人以及騎自行車的人預先發出碰撞警示。 」 近年來工程師們已開發出許多能讓車子偵測到路上異物的感應系統。但其中有許多，都是靠著光學雷達、可見光或是近紅外光的相機，這種防止碰撞的感應器在現代的汽車中很常見。但是光學感應很難發現到汽車視線之外的物體。在早些的研究中，Heide 的研究團隊曾使用光照來看見藏在角落的物體，這種技術但卻很難應用到汽車上，因為需要高功率的雷射且僅限於近距離使用。 近年來工程師們已開發出許多能讓車子偵測到路上異物的感應系統，但其中有許多都是靠著光學雷達、可見光或

  人工智慧已經有許多用於"有碼變無碼"的研究成果,今天讓我們看看它已經發展到哪了~ 例如之前 Google Brain 發表了透過機器學習消除馬賽克、提高像素的技術。而最近，AI 去除馬賽克的技術又有了新的突破！ 近日杜克大學的研究人員開發了一種 AI 影像還原工具，可將模糊到無法辨識的人像轉化為令人信服的高清圖片，而解析度與細節的表現可說是史上最強！ 以往的技術，可將圖像的解析度提高至八倍。但是杜克大學的研究團隊想出了一種 人工智慧 的解決方法：只需要少少像素的模糊照片，就能創造出解析度高達 64 倍逼真的高清肖像，原圖看不到的細紋、睫毛以及鬍渣等細節都一覽無遺！ ▲ AI 技術 「PULSE」 可將模糊的馬賽克照片轉換成看起來像真人的高解析度肖像。 該系統能自動將任何圖像解析度提高到64倍，並模擬毛孔、睫毛位置與形狀等在原圖無法辨識的細節。 「過去從未能在這樣的解析度(指原圖的低解析度)上，生成如此高清、如此多細節的圖片！」此次研究團隊的領導人──杜克大學的電腦科學家 Cynthia Rudin 說。 不過這個系統仍然無法用做人物辨識，研究團隊說：它無法將監視器拍到的失焦或是無法識別的照片變成真實、清晰的圖像。相反地，它可以生成不存在、但看起來真實的新面孔。 「研究員們專注於將這些面孔作為新的概念，但理論上，該技術可在拍攝幾乎所有物體的低解析度照片後，製作出清晰逼真的圖像。應用範圍涵蓋醫學，顯微鏡，天文學和衛星圖像。」 研究團隊的 Sachit Menon 說。 ▲ 人工智慧「PULSE」能還原眼、口、鼻等部位都難以辨識的馬賽克圖片，並將原圖的解析度拉高至 60 倍！ 傳統的影像修復方式為擷取低解析度的圖像後，將它與電腦之前看到的高解析度圖像的對應像素，試著撮合、匹配、平均化，藉此來補足像素。 這種「平均化」的結果是，頭髮和皮膚中的紋理區域可能無法從一個像素到另一個像素完美對齊，最終看起來模糊且朦朧。 杜克大學的團隊就不使用這種「在低解析度的照片上慢慢加新的細節」的方式。他們研發的系統 「PULSE」 會在 人工智慧 生成的高解析度率臉孔範例中，盡可能找到最像的──在範例臉孔縮放到相同尺寸時，看起來像輸入的原圖的人臉。 團隊使用一種機器學習的工具

人工智慧又再度搭著疫情的順風車,做出了幾首關於疫情的音樂呢,給當今的人們一些溫柔! 此次的疫情，重創全球的經濟與人們的生活，而現今的我們，幸好有成熟的科技，讓各國得以用相關的 人工智慧 技術來監控病情，並用以幫助疫苗研發等相關醫療用途。 除此之外，還有許多處於疫情之下開發的 AI 技術，有的為大家舒緩緊張的情緒；有的則替大家的社交距離把關。這些 人工智慧 技術的創新、突破與拓展，為這艱困的時期為人們帶來一絲光亮！   從歌名、譜曲到封面　台灣 AI 創作出一整張專輯 AI 生成的作品，到底是不是真正的創作？哇！這可真是個見仁見智的問題！ 但可以知道的是，越來越多文化藝術機構、個人藝術家開始擁抱 AI ，特別是疫情之下，急需要藝文撫慰人們心理、穩定不安情緒。 由 PTT 創辦人杜奕瑾領軍的「Taiwan AI Labs台灣人工智慧實驗室」，正是在疫情之時推出台灣第一張全  AI  生成的音樂專輯《武漢肺炎》。 這個  AI  有個非常台灣味的名字，名叫「雅婷」。杜奕瑾表示，因為她是土生土長、從 PTT 鄉民語言學習語言模型的台灣 AI，故選了這個台灣最通俗的名字。 ▲ 土生土長的台灣 AI 雅婷，是此次專輯的「鋼琴師」。 推薦閱讀： 記者、業務、會議紀錄的救星-台灣本土 AI 語音辨識 「雅婷逐字稿」 「雅婷」應用同樣由 Taiwan  AI  Labs 開發的深度學習模型「Pop Music Transformer」聽了上百首熱門鋼琴音樂後，對和弦、旋律、音調、配器等各種層面進行機器學習，最後創作出了九首曲子。 音樂由  AI  全自動生成，完全不需要人工輸入任何和弦進程。而且，不需要後期處理步驟來完善所生成的音樂。該模型學習自動生成富有表現力和連貫性的音樂。 ▲ 《武漢肺炎》專輯共九首曲子，是台灣有史以來第一張全部 AI 生成的音樂專輯。 細看樂曲名稱，可以發現每一首曲名各自展現了疫情的不同面向，同時也依然和疫情息息相關。 Taiwan AI Labs 表示，這些歌曲名稱來自「島民衛星」，是同為 Taiwan AI Labs 所開發之新聞資訊平台，觀測 18 家電子媒體全類別新聞報導。島民衛星團隊抓取疫情中台灣媒體最常使用的詞彙，再將這些詞彙排序使用，一個歷歷在

網路上超有名的達內教育,為何它如此吸引人,看完這篇你就懂! 新冠肺炎發生以來，一度了拉開人與人之間的距離。但，同時也有不少新興行業應運而生，或是早已看準時代潮流，提前推出符合產業發展與當代互動模式的產品，比如各種主打科技教育的線上課程公司即為一例。其中「達內教育」甚至打出「結業即就業」招牌，以精實的AI人工智慧、大數據等課程，力求讓完全沒有基礎的學員，也能在6個月後當上工程師。 大膽宣稱能將零基礎學員培訓到面試就業、風格在業界獨樹一格的達內教育，除教學外，竟還有免費的就業媒合服務，果然成功吸引許多零基礎、零經驗的待業者與轉職者報名。 達內教育教學總監呂紹榮說，「結業即就業」正是達內教育的品牌使命，課程絕非短短幾十個小時的速成班，而是依照科別差異，總授課時數約在300~400小時之間，平均約半年即可學完。 達內教育教學總監呂紹榮老師 呂老師指出，相較於實體授課，線上課程的特色就是時間比較彈性，但 達內教育 的授課時數又特別長，完全是職訓班規模。而且達內的特色就是結合線上與實體兩種介面的優勢，除了有線上課程可看，在中心還有真人輔導老師隨時待命、隨時回答學員提問。在中心也提供大型教室，如果學員遇到困難，甚至還可預約老師一對一教學，保證教到會。線上與實體搭配，構築「隨時隨地隨看隨問」的完整課程。 目前 達內教育 最熱門的課程是應用層面很廣，可做機器學習、大數據分析、網路爬蟲等等的Python。呂老師說，Python這程式語言，在達內的培訓方式非常紮實，遠非坊間補習班或學院內的入門培訓可比。且學完變可以直接到業界工作了！此外，Java也是達內教育的熱門課程，可讓零基礎學員，半年後擁有獨立架設電商購物網站能力。 除了 Java 、 Python 之外，包括網站前端開發、Unity 遊戲設計、UI/UX 介面設計以及網路數位行銷，也都是達內教室精心設計的招牌課程。數位行銷又分成兩塊：Google 關鍵字廣告以及 SEO 搜尋引擎最佳化課程。比如就算沒有一技之長，只是喜愛玩遊戲，也可以在學 Unity 遊戲設計課程後，於結業時可以獨立做出完整的 RPG 手機遊戲。 目前達內教育的學員人數不斷成長當中，在新冠疫情期間，還有學員因不想到補習班人擠人，特地諮詢報名達內的課程，而輔導老師在該段期間，也曾透過遠端連線學員的家中電腦，

本篇文章討論現在能測出社交距離的人工智慧!但似乎還是有人對他有疑慮...一起來瞧瞧! 「 AI 大神」吳恩達旗下公司 Landing AI 開發的「社交距離檢測工具」，則是另一項與疫情有密切關係的 AI。 為了幫助疫情期間依然得持續工作、因某些原因非得外出的民眾以及阻止疾病蔓延，Landing AI 開發了最新  AI  工具確保大家能維持社交距離，該工具透過攝影機拍攝的即時影像，並同步分析檢測在公共空間的人們是否處於安全距離。 這款  AI  工具會偵測所有經過空間的行人，並在每個人身上畫出一個綠色方框，當有人靠得太近，框框就會變成紅色，在靠得太近的兩人之間畫出紅線，並發出警訊，提醒人們遵守安全距離規定。 ▲ 影片中可以看到探測器偵測每個行人，距離過近就會被標上紅框 根據Landing AI 公開的演示， 人工智慧 的運作，需要經過「校正、檢測、測量」三個步驟。 第一步－「校正」： 將透視圖轉換為俯視圖。最簡單的標定方法是在透視圖中選擇四個點，將其映射到俯視圖中矩形的角上。       ▲左邊為原始透視圖，覆蓋著校正網格；右邊是鳥瞰圖，街道兩邊完全平行於綠色網格。圖片為 Landing AI 官網示意圖。 第二步－「檢測」： 將檢測到的行人應用於透視圖上，在每個行人周圍繪製邊框。為了簡潔化，團隊使用基於 Faster R-CNN 的開源行人檢測網絡。為了清理輸出的邊框，團隊使用最小化後處理，如非極大值抑制（NMS）和各種基於規則的啓發式算法，並選擇基於現實假設的規則，減少過度擬合的風險。 ▲ 《武漢肺炎》專輯共九首曲子，是台灣有史以來第一張全部 AI 生成的音樂專輯。。 第三步－「測量」： 給定每個人的邊框。由於在「校正」那一步輸出針對地面的變換，需要將所述變換應用到每個區域的底部中心點，從而得到他們在俯視圖中的位置。 ▲距離過近的人們除了顯示紅框外，也會多顯示出一條線以強調。 最後測量出人與人之間的距離，並根據校正估算出的係數縮放距離。用紅色方框標注出安全距離以內的人們，並在兩者之間畫一條線來強調。 即使 Landing AI 強調使用使用這款工具應該公開透明，使用之前必須得取得被監控人的同意，同時也稱，該系統不

  程式語言Java,連保險業務主管都抵擋不了?讓我們來看看他是如何轉職的! 「有時離成交，真的就只差那麼一點點運氣！」 謝先生是某保險公司的業務主管，帶領一群菁英業務團隊，成天在外積極拜訪、服務客戶。但是... 「有時離成交，真的就只差那麼一點點運氣！」謝先生感嘆說：「然而這個運氣也不是掌握在自己身上。」 謝先生覺得技術性的工作穩定性高，決定學一技之長。「也許花些時間，上個像是 Java 課程等的自我投資，就可以脫離看天吃飯的日子。」 ▲ 謝先生在來達內上轉職前，是天天拜訪客戶的保險業務（示意圖，非本人） 穩定的「師字輩」工作 轉職門檻高 作為保險業務員，謝先生閱人無數，有不少「師」字輩的客戶。如：會計師、律師、醫師、工程師等。他們的的收入不只穩定，還比大多數人高。 然而這些職業的養成並非一朝一夕，許多都要在大學本科系就讀至少四年，還要有實習經驗才行。   轉職工程師 進可攻退可守-可接案可就業 好在現在達內教育有針對「師字輩」工作中的「工程師」，開設 6~9 個月左右的養成班，他們跟其他以學術性的「考到證照」為訴求的補習班不同，主打的是就業的「即戰力」。 「結業即就業」，正式是他們的招牌！ 至於程式語言這麼多、謝先生到底要選哪個從頭開始學起？ 達內教育的顧問就告訴謝先生：目前台灣的就業市場中，對於 Java 技能的需求最多。於是謝先生就選擇 Java 課程 來自我投資 。   那麼，為何是達內教育？ 然而開設 Java 課程 的同業如此多，謝先生貴為保險公司的主管，懂得如何選擇高 CP 值、低風險的標的，為何會選擇在台灣開業沒有很久的達內教育？ 【教學方向】 就業導向 vs.考照取向 因為大部分的補習班教學為學術導向的「考取證照」，老師教的內容就是以考題為主，跟產業的實務需求有差距。 【結業作品】 獨立完成 vs.輕鬆分工 而某間也有產學合作、也是主打「就業」的競品，期末驗收專案都是「分工完成」的，也就是每個人都只要負責一部分就好！這樣下來，就算做出完整的作品，每個人也都只熟悉整個專案的一部分。「但是你的同梯學員不可能跟你一起到同間公司工作！」 達內教育對學生的要求是「一人獨力完成一個專案」，老師也會從旁輔導。過程雖然比較累，但是所有的部分都完成

上篇的機器學習的五種演算法圖解你都會了嗎?學會的快往下看,進入下一階段~ 二、非監督式學習 1. 隨機森林（Random Forest） 隨機森林可以視為決策樹的延伸，可以把隨機森林當作是多個決策樹組合而成，並加入隨機分配的訓練資料，以大幅增進最終的運算結果。其想法就是結合多個「弱學習器」（即決策樹）來建構一個「強學習器」模型。這種方法被稱為「集成」（Ensemble Method）。同時也能降低單個決策樹出錯的風險。 ▲ 決策樹演算法示意圖 例如若創建一個隨機森林模型預測數值，只有第三個決策樹預測為 0，但是如果整合所有決策樹的結果，將會判斷出預測值是為 1。 隨機森林的優點，就是可以處理大量的輸入變數，同時計算各例中的親近度，這點對於資料探勘、偵測離群點和將資料視覺化非常有用。 2. 聚類分析（Cluster analysis） 聚類分析是統計資料分析的技術，後來在如 機器學習 等領域受到廣泛應用。「聚類」是把相似的物件通過靜態分類，分成不同的組別或子集（subset）。聚類有很多種方法，常見的如 K-means、層次聚類（Hierarchical clustering）、譜聚類（Spectral Clustering）等等。 ▲ 「聚類」是把相似的物件通過靜態分類，分成不同的組別或子集 (圖片來源： geeksforgeeks.org) 聚類時，需要實現的目標只是要把相似的東西聚到一起，一個聚類算法只需要知道如何計算相似度就可以開始分類，因此聚類算法並不需要使用訓練資料進行學習。 3. 主成分分析（Principal Component Analysis，PCA） 主成分分析 PCA 是一個在 機器學習 與統計學領域中被廣泛用來分析資料、降低數據維度以及去關聯的線性降維方法。降維（Dimension reduction）是當資料維度數（變數）很多的時候，嘗試讓維度數（變數）少一點，但資料特性不會差太多的方法。 機器學習 使用 PCA 達到降維的目的，主要是為了避免「維數災難」，或稱「維度詛咒」，指當維度增加時，分析和組織高維空間因體積指數增加而遇到各種問題：在 機器學習 問題中，模型預測能力會隨著維度的增加而減小。 4. 奇異值分解（Singular Value

今天要分享的是現在超紅的機器學習知識!先讓我們來學學監督式學習非監督式學習的演算法圖解! 隨著人工智慧的深入發展，沒有學習能力的 AI 侷限性越發明顯，為了突破這個瓶頸，「 機器學習 」逐漸成為 AI 領域的研究核心之一，也發展出各種 機器學習 的演算法。 現在有哪些熱門的算法？各有什麼特點？本次就要來盤點幾大常用的 機器學習 演算法，並告訴你為何 機器學習 語言要首選 Python  ，你沒聽錯，就是那個鼎鼎大名的python！ 接著讓我們來進入正題！ 機器學習 演算法大致上可以分為三類：監督式學習（Supervised learning）、非監督式學習（Unsupervised learning）與強化式學習（Reinforcement learning）。 本次將著重介紹「監督式學習」與「非監督式學習」的演算法。 一、監督式學習 監督學習算法可以分成兩個大方向：分類和迴歸。 1. 線性迴歸（Linear Regression） ▲ 線性回歸的視覺化，平面內有一系列點，尋找出一條最能擬合資料趨勢分布的線用來預測新的資料出現的位置 線性回歸源自於統計學的方法，通過一個或多個自變量與因變量進行建模的回歸分析。視覺化後如上圖，平面內有一系列點，尋找出一條最能擬合資料趨勢分布的線，也能用來預測新的資料出現的位置，就叫線性回歸。 在線性回歸中，數據使用線性預測函數來建模，並且未知的模型參數也是通過數據來估計，簡單的線性回歸公式為： ▲ 簡單的線性回歸公式 y 是因變量（y）對自變量（x）任何給定值的預測值；B0 是截距，即 x 為 0 時 y 的預測值；B1 是回歸係數–表示期望 y 隨著 x 的增加而改變多少；x 是自變量（期望的變量影響 y）；e 是估計值的誤差，或表示回歸係數估計值有多少變化。 2. 邏輯回歸（Logistic Regression） 邏輯回歸延伸自線性回歸，是一個二元分類算法，透過選取不同的特徵與權重來對樣本進行機率分類。 邏輯回歸會使用某種函數將機率值壓縮到某一特定範圍，如 Sigmoid 函數。S 函數是一種具有 S 形曲線、用於二分類的函數。 ▲ 邏輯分布函數圖像（圖片來源：Wikipedia） 邏輯回歸的輸出變量是離散型（D